Desafíos de inspección en el envasado avanzado
A medida que la industria de los semiconductores continúa hacia una miniaturización cada vez mayor y una mayor complejidad en las estructuras arquitectónicas, los métodos tradicionales de análisis de fallas enfrentan importantes obstáculos técnicos. Destaca especialmente la dificultad para detectar microfisuras en las capas de aislamiento de constante dieléctrica baja (Extreme Low K) en los chips "flip-chip", componentes que se utilizan intensivamente en la ingeniería de envasado avanzado durante las etapas finales de fabricación (BEOL).
Una solución técnica basada en inteligencia artificial
Un equipo de investigación compuesto por expertos de Materials Center Leoben, PVA TePla y Advanced Semiconductor Engineering (ASE) ha publicado un documento técnico que propone un nuevo flujo de trabajo basado en inteligencia artificial para mejorar la calidad de las imágenes de microscopía acústica de barrido (SAM). Esta innovación tiene como objetivo abordar el problema de las llamadas "protuberancias blancas" (White Bumps), que son defectos de interconexión difíciles de detectar mediante medios tradicionales.
¿Qué cambia en la práctica?
La nueva tecnología se basa en algoritmos de procesamiento de imágenes impulsados por inteligencia artificial para mejorar el contraste y la claridad en las salidas de la microscopía acústica. Esta mejora no se limita a aclarar la imagen, sino que contribuye a:
- Aumentar la precisión de detección: Permitir a los ingenieros identificar grietas y defectos estructurales que se consideraban invisibles u oscuros en las imágenes tradicionales.
- Mejorar la fiabilidad del envasado: Reducir la probabilidad de que salgan chips defectuosos de las líneas de producción, lo que eleva la eficiencia de los procesos de envasado avanzado.
- Apoyar la miniaturización: Proporcionar una herramienta de inspección capaz de seguir el ritmo de los desafíos físicos impuestos por las dimensiones nanométricas en los chips modernos.
Este paso forma parte de los esfuerzos continuos de la industria para integrar herramientas de aprendizaje automático en los procesos de control de calidad, ya que este enfoque permite reducir la dependencia de la estimación humana en la interpretación de imágenes complejas, disminuyendo así el margen de error en entornos de fabricación de alta velocidad.